基于BGM的不同繁殖长度对集合预报的影响

利用T63L9全球谱模式和NCEP/NCAR再分析资料, 对BGM方法中增长模的繁殖长度对集合预报效果的影响进行研究。结果表明:与控制预报相比, 不同繁殖长度的集合预报都能使预报效果得到一定程度的改进, 特别是第4天预报以后, 改进程度随预报时效而稳步提高。三组不同繁殖长度的集合预报对控制预报的改进存在差别, 分析结果表明:繁殖长度为2 d的集合预报明显效果最差, 而繁殖3 d和4 d的集合预报差别并不明显。对集合Talagrand分布以及离散度的初步分析表明, 繁殖长度取为3 d似乎最为合理。     

集合敏感性分析在北半球中纬度高影响天气中的应用

总结回顾了集合敏感性分析(ESA)在诊断中纬度高影响天气预报不确定性中的应用。作为一个简单高效且不需要大量计算资源的方法,集合敏感性分析主要被应用在中纬度气旋、台风或飓风的温带转换,以及在强对流过程中诊断预报误差和不确定性的来源。集合敏感性方法极有灵活性,可以根据实际需要改变不同的预报变量和初始场。在对2010年美国东岸圣诞节暴风雪的分析中,集合敏感性分析通过三种形式来诊断了预报不确定性的初值敏感性,即基于EOF分析的敏感性、预报差别的敏感性,以及基于短期预报误差的向前积分敏感性回归。三种方法证实气旋路径的不确定性主要和位于美国南部大平原的短波槽初始误差相关。此外,气旋强度的不确定性还和产生于北太平洋向下游延伸的罗斯贝波列相关。集合敏感性分析方法对于分析中纬度气旋的不确定性、诊断初值敏感性、分析误差发展机制都非常有效。集合敏感性分析也被应用于分析台风/飓风的温带气旋转换过程的不确定性。在对2019年美国首个主要登陆台风Dorian的分析中发现,加拿大CMC的集合预报主要不确定性来自于强度的不确定性,而这个不确定性与初始时刻的大尺度环流型有关,较连贯的信号可以追溯至东北太平洋的前倾槽。而NCEP和ECMWF的不确定性主要在于气旋位置的东北—西南向移动,而敏感性主要和飓风系统本身(即其北部低压区和中纬度槽)的锁相有关。分析结果进一步验证了集合敏感性分析对诊断模式之间的不一致性,以及模式成员之间不一致性的不确定性来源和发展过程的可靠性。集合敏感性分析方法综合了集合预报、资料同化和敏感性分析,因此对于资料同化技术改进、诊断模式误差(或者缺陷)、附加(目标)观测最优策略,以及评估观测对预报的影响等都有重要意义。同时可以更有效地利用集合预报信息,帮助预报员提高情景意识,最终减少高影响天气预报中的决策失误。     

遥感技术在大面积天然草地估产和预报中的应用探讨

利用新疆北疆地区不同草地类型上观测的草地可食产量、环境与遥感资料等,使用3S技术进行了相关分析和遥感估产及预报,建立了地面光学和线性或非线性遥感估产及产量预报模型,在实际估产和产量预测中加以应用、检验,并给出了生态学解释。     

扩散波的时空反演与洪水实时预报技术

以扩散波方程描述天然河道中的洪水波运动规律。将数学物理反问题理论和离散反演算法与河道流量演算相结合提出了扩散波实时预报的方法。该法的特点是在求解流量场Ｑ（ｘ,ｔ）的同时反演计算扩散波波速Ｃ（ｘ,ｔ）和扩散系数Ｄ（ｘ,ｔ）,根据不断监测的新信息系列,直接利用原偏微分方程进行参数的实时校正和预报过程实时修正。     

数值预报产品动力-统计释用方法与寒潮预报

从气温变化的物理过程出发,设计了一种数值预报产品的动力－统计释用方法,开发了一套四川盆地寒潮入侵时间和降温幅度的释用方案,并利用ＥＣＭＷＦ产品建立四川盆地寒潮自动预报系统,滚动预报未来１～６日内的寒潮过程。１９９５～１９９７年投入中短期业务运行,取得了显著效果。     

河西内陆河春季流量变化特征的分析和预测

利用昌马、莺落峡、九条岭３个水文站四十余年的月平均流量资料,分析河西地区３条主要内陆河春季流量的长期变化特征,并用均生函数模型对流量进行了预报,为河西地区水资源的研究和利用提供参考依据     

基于对流可分辨集合预报的阜宁龙卷概率预报研究

本文针对2016年6月23日江苏阜宁龙卷,设计了两组对流可分辨尺度集合预报:一组以ERA5再分析资料为初始和侧边界(CEFS_ERA5);另一组以NCEP GEFS为初始和侧边界(CEFS_GEFS),评估了两组试验对此次龙卷的预报能力。结果显示:两组对流尺度集合预报均有约半数以上成员能够再现龙卷超级单体的特征;2~5 km上升螺旋度(UH25)对本次龙卷超级单体有较好的预报指示意义。在上述分析的基础上,考虑位置预报偏差,提出了一种基于UH25的邻域龙卷概率预报产品,分析了龙卷概率预报技巧对关键参数邻域半径和UH25阈值的敏感性,CEFS_ERA5邻域半径取15个格点,UH25阈值取250 m²·s^-2最优;而CEFS_GEFS邻域半径取15个格点,UH25阈值取100 m²·s^-2最优。总的来说,邻域概率预报产品显著提升了对此次龙卷概率预报水平。     

Application of linear and nonlinear techniques in river flow forecasting in the Kilombero River basin,Tanzania / Application de techniques linéaires et non-linéaires à la prévision des débits dans le bassin de la Rivière Kilombero,en Tanzanie

Abstract

Modelling of the rainfall–runoff transformation process and routing of river flows in the Kilombero River basin and its five sub-catchments within the Rufiji River basin in Tanzania was undertaken using three system (black-box) models—a simple linear model, a linear perturbation model and a linear varying gain factor model—in their linear transfer function forms. A lumped conceptual model—the soil moisture accounting and routing model—was also applied to the sub-catchments and the basin. The HEC-HMS model, which is a distributed model, was applied only to the entire Kilombero River basin. River discharge, rainfall and potential evaporation data were used as inputs to the appropriate models and it was observed that sometimes the system models performed better than complex hydrological models, especially in large catchments, illustrating the usefulness of using simple black-box models in datascarce situations.     

Application of integrated back‐propagation network and self organizing map for flood forecasting

Much of the nonlinearity and uncertainty regarding the flood process is because hydrologic data required for estimation are often tremendously difficult to obtain. This study employed a back‐propagation network (BPN) as the main structure in flood forecasting to learn and to demonstrate the sophisticated nonlinear mapping relationship. However, a deterministic BPN model implies high uncertainty and poor consistency for verification work even when the learning performance is satisfactory for flood forecasting. Therefore, a novel procedure was proposed in this investigation which integrates linear transfer function (LTF) and self‐organizing map (SOM) to efficiently determine the intervals of weights and biases of a flood forecasting neural network to avoid the above problems. A SOM network with classification ability was applied to the solutions and parameters of the BPN model in the learning stage, to classify the network parameter rules and to obtain the winning parameters. The outcomes from the previous stage were then used as the ranges of the parameters in the recall stage. Finally, a case study was carried out in Wu‐Shi basin to demonstrate the effectiveness of the proposal. Copyright © 2009 John Wiley & Sons, Ltd.     

����GNSS�����Ĵ��ͽ�����ʵʱ��̬�����ģ�ͻ�

???￥??GNSS??????????????????????????????μ???????????λ??仯??????????ɡ??????????????λ??仯????????????г??????????￥?????λ????????????????ü????????????????????????????????λ???????????????RMS????3 mm?????????RMS?????7 mm??